一种基于LS-SVM模型的红花有效成分超声提取工艺

技术领域

本发明涉及中药提取技术领域，特别是涉及一种基于LS-SVM模型的红花有效成分超声提取工艺。

背景技术

红花是一味传统中药，具有祛瘀止血、活血通经、清心除烦等功效。红花在药理方面具有保护心血管、改善血液循环、抗氧化、保护脑组织缺血、保护再灌注损伤、增强耐缺氧能力和改善肾功能等作用。红花的有效成分主要有两类，脂溶性的红花酮类化合物和水溶性的酚酸类化合物，其中发挥积极作用的有效成分多达几十种。

支持向量机(SupportVectorMachine，SVM)是一种解决回归问题的机器学习模型，通过引入核函数使其解决繁琐的非线性问题，避免出现高纬度空间计算的“维数灾难”问题。最小二乘支持向量机模型(LeastSquaresSupportVectorMachine，LS-SVM)是对支持向量机模型的进一步改进，通过转化目标函数和优化等式条件，提高运算速度和降低计算复杂度。目前许多研究者常借助Matlab环境下运行神经网络模型对中药提取数据进行分析，但是运用最小二乘支持向量机优化中药有效物质提取工艺条件的研究鲜有报道。

发明内容

为了解决现有技术处理高纬度非线性问题不稳定的缺陷的问题，本发明的目的是提供一种基于LS-SVM模型的红花有效成分超声提取工艺。

为了实现上述目的，本发明采用如下技术方案：一种基于LS-SVM模型的红花有效成分超声提取工艺，包括有以下步骤：

S1，根据Box-BenhnkenDesign原理对红花有效成分HSYA和AHSYB超声提取，各工艺的有效成分提取率及真实综合评价值进行实验测定，得到m组分析方案实验数据集D＝{(X

S2，建立最小二乘支持向量机模型LS-SVM，基于Matlab语言环境，设立提取因素x

S3，优选模型参数核参数g和惩罚因子C，核函数采用径向基核函数RBF，利用Matlab软件编辑，由交叉验证方法同时对g和C进行交叉验证，在g和C组成的参数矩阵中逐个检验每一对参数效果，得到最优参数g和C；

S4，将S3所述最优参数g和C输入LS-SVM模型，得到S1所述Box-BenhnkenDesign分析方案的预测综合评价值；

S5，使用均方误差MSE对LS-SVM模型的模拟性能进行评估，其中

优选的，所述S1中，真实综合评价值为工艺提取率与权重相乘得到数值的总和，所述权重通过标准离差法计算得到。

优选的，所述S1中，红花有效成分HSYA和AHSYB的最佳超声提取条件为，提取温度85℃、超声时间52min、液料比为12:1、乙醇浓度90％。

优选的，所述S5中，MSE为预测综合评价值接近真实综合评价值、模型可靠数据范围。

与现有技术相比，本发明实现的有益效果：LS-SVM模型通过将Box-BenhnkenDesign原理得出的红花有效成分超声提取工艺优化实验的一批相互对应的输入、输出数据，建立了一个非线性模型，揭示了数据之间的定量关系，模型误差小，可靠性高，为中药有效成分的提取工艺优化研究提供了新的思路与参考；本发明在高维特征空间利用最小二乘支持向量机建立综合评价值关于提取因素的回归模型，将回归模型转化成与核函数相关的优化模型，最终通过数据集进行不断学习找出在最优参数下与真实综合评价值误差最小的预测综合评价值从而能够找出提取的最优工艺因素。

附图说明

以下结合附图和具体实施方式来进一步详细说明本发明：

图1为本发明的混合对照品溶液(a)和红花供试品溶液(b)的HPLC图；

图2为本发明的最优参数结果图；

图3为本发明的实验数据和模型预测数据误差分析结果图；

图4为本发明的实验数据和模型预测数据分析对比图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图4。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

实施例1：

SalB和TanⅡA的HPLC测定：

色谱条件：色谱柱是HypersilBDSC18(4.6mm×300mm，5μm)；流动相是乙腈(A)、0.1％甲酸水(B)，采用梯度洗脱：0-12min，10％-22％A；12-30min，22％-30％A；30-38min，30％-45％A；38-50min，45％-90％A；50-55min，90％-90％A；55-56min，90％-95％A；56-60min，95％-10％A；流速1mL/min；柱温25℃；检测波长280nm；进样量10μL。

对照品溶液的制备：精密称定HSYA和AHSYB对照品适量，分别置于10mL容量瓶中，加75％甲醇至刻度线，充分摇匀，分别配成含HSYA1.00mg/mL和AHSYB1.00mg/mL的单一成分对照品储备液。分别精密吸取上述2个储备液4.00mL和0.50mL，置于同一10mL量瓶中，加75％甲醇稀释至刻度，摇匀，即得混合对照品溶液(HSYA0.40mg/mL、AHSYB0.05mg/mL)。

供试品溶液的制备：精密称定5g红花粉末样品放置锥形瓶中，在液料比为12:1，温度为75℃，乙醇浓度为80％，超声频率为40kHz条件下超声提取50min，抽滤，即得滤液。滤液再在5000r/min条件下离心10min，取上清液过0.22μm微孔滤膜得到供试品溶液。

标准曲线的绘制：分别精密吸取1.00mg/mLHSYA和AHSYB对照品储备液适量，置于不同规格的容量瓶中，加75％甲醇至刻度线，摇匀，配制1-5号不同浓度的混合对照品溶液，其中1-5号溶液中HSYA的浓度分别为：0.30、0.40、0.70、0.90、1.00mg/mL；AHSYB的浓度分别为：0.03、0.04、0.05、0.06、0.08mg/mL。按照色谱条件下进样检测，以溶液浓度为横坐标(X)，吸光度为纵坐标(Y)，绘制标准曲线，得到HSYA标准曲线为：Y＝9.30×106X+1.60×105(R2＝0.9990)，在0.30～1.00mg/mL浓度范围内具有良好线性关系；AHSYB标准曲线为：Y＝2.10×107X-6.24×103(R2＝0.9995)，在0.03～0.08mg/mL浓度范围内具有良好线性关系。当信噪比为3:1时，得到HSYA和AHSYB最低检测限分别为0.05、0.01mg/mL。

实施例2：

专属性试验：以实施例1为基础，精密吸取适量混合对照品溶液和红花供试品溶液分别按照色谱条件进行测定，HSYA和AHSYB峰分离完全，峰形较好，分离度大于1.50，见图1，表明该方法专属性良好。

精密度试验：精密吸取0.50mg/mL的HSYA和0.05mg/mL的AHSYB对照品溶液适量分别按照色谱条件重复平行测定6次，得到峰面积RSD值为0.69％与0.76％，表明仪器精密度良好。

稳定性试验：取供试品溶液按色谱条件和室温条件下分别于0、2、4、6、8h进样测定，记录HSYA和AHSYB的色谱峰面积，计算RSD值分别为1.24％和1.68％，表明供品溶液在8h内稳定。

重复性试验：精密称定同一批次5g红花粉末，制备6份供品溶液，在色谱条件下测定，得到HSYA峰面积RSD值为0.35％，AHSYB峰面积RSD值为0.28％，表明该方法重复性良好。

加样回收率试验：精密称定同一批次红花粉末5g，共6份，每份加入HSYA对照品0.50mg和AHSYB对照品0.10mg，制备供试品溶液，按照色谱条件进行测定，HSYA的平均回收率98.39％，RSD为0.52％；AHSYB的平均回收率97.8％，RSD为0.57％。

实施例3：

单因素实验(以实施例1为基础)：

乙醇浓度对提取率的影响：分别精密称定5份5g红花，在液料比12:1，温度55℃和乙醇浓度50％、60％、70％、80％、90％，超声频率为40kHz条件下分别超声提取40min，实验结果表明乙醇浓度为80％时，HSYA和AHSYB的提取率都最高，故选用70％、80％、90％作为响应面设计中乙醇浓度的三水平。

超声时间对提取率的影响：分别精密称定5份5g红花，在液料比12:1，温度55℃和乙醇浓度80％，超声频率为40kHz条件下分别超声提取20min、30min、40min、50min、60min，实验结果表明超声时间为50min时，HSYA和AHSYB的提取率都最高，故选用40min、50min、60min作为响应面设计中超声时间的三水平。

超声温度对提取率的影响：分别精密称定5份5g红花，在液料比12:1，乙醇浓度80％，超声频率为40kHz的条件下，分别在温度为45、55、65、75、

85℃条件下超声提取50min，实验结果表明超声温度为75℃时，HSYA和AHSYB的提取率都最高，故选用65、75、85℃作为响应面设计中超声温度的三水平。

液料比对提取率的影响：分别精密称定5份5g红花，在乙醇浓度80％，温度75℃，超声频率为40kHz条件下，以8:1、10:1、12:1、14:1和16:1的液料比分别超声提取50min。实验结果表明当液料比为12：1时，HSYA和AHSYB的提取率都最高，故选用10:1、12:1和14:1作为响应面设计中液料比的三水平。

提取次数对提取率的影响：分别精密称定5份5g红花，在乙醇浓度80％，时间50min，温度75℃，液料比12:1的条件下分别提取1、2、3、4次，实验结果表明当提取次数为3时，HSYA和AHSYB的提取率达到相对较高，3次之后提取率趋于平缓，说明此时HSYA和AHSYB已提取完成。

实施例4：

响应面法优化工艺：

因素水平设计：在实施例3中单因素试验基础上，由于提取次数对提取率的影响不大，因此选取超声时间(A)、液料比(B)、超声温度(C)和乙醇浓度(D)作为四因素，最后进行4因素3水平的响应面试验设计，优化最佳的提取工艺参数，试验因素及具体水平数值见表1。

表1 BBD试验因素及编码

试验方法：精密称定30份5g红花，根据BBD原理选定各实验组数的因素水平，在色谱条件下进样检测得到HSYA和AHSYB峰面积值，并根据回归方程分别计算出HSYA和AHSYB的浓度，再结合提取率公式c*v/m*1000，其中c是通过校准后的回归方程计算得到的HSYA、AHSYB浓度(mg/mL)、v是提取液的总体积(mL)、m是红花质量(g)来计算HSYA和AHSYB的各自提取率，实验组数及结果见表2。

综合评价值的计算：采取网络分析法计算权重值，得到HSYA和AHSYB的权重系数分别为0.48和0.52，综合评价值＝HSYA提取率×0.48+AHSYB提取率×0.52，综合评价值的计算结果见表2。

表2BBD分析方案及实验结果

实施例5：

最小二乘支持向量机建模与分析：

最小二乘支持向量机模型的建立：

LS-SVM模型的思想是对于实验方案的第i组数据输入量X

模型参数寻优：

针对本实验较少的数据量，高斯核函数(RadialBasisFunction，RBF)有较高的性能和应用范围，因此当选定高斯核函数时，需要同时选取合适的核参数g和惩罚因子C来优化LS-SVM模型。首先对30组BBD分析方案实验结果数据进行预处理，将30行5列的实验数据矩阵分成30行4列的输入变量矩阵和30行1列的输出变量矩阵导入Matlab2014b软件的平台中，其中输入变量用具体的因素水平值替代(具体数值见表1)。为避免因输入与输出变量的量纲相差太大，本研究同时对实验数据进行归一化处理，即各提取指标因素水平数值除以这组提取指标因素水平数值的均值后，再利用Matlab2014b软件进行编程，利用LS-SVM进行建模，核函数采用高斯核函数，最后由交叉验证验方法同时对核参数g和惩罚因子C进行交叉验证，在g和C组成的参数矩阵中逐个检验每一对参数效果，遍历得到最优核参数g＝3.4822，最优惩罚因子C＝0.3789，遍历过程如下图2所示。

预测结果及分析

分析图2最优参数结果图并结合程序结果可以得到最优核参数g＝3.4822和惩罚因子C＝0.3789。在上述得到合适的核参数g和惩罚因子C后通过重新返回LS-SVM模型可以得到30组BBD分析方案的综合评价预测值如下表3所示。

表3LS-SVM模型的综合评价预测值

本研究将预测的综合评价值与实验的真实综合评价值进行比较，预测值和实验值的相关系数R＝0.97，最大误差为3.8165％，最小误差为0.1224％，误差结果如下图3所示。

再使用均方误差(Mean-squareError，MSE)进行LS-SVM模型性能的评估，其具体公式如下：

其中，n为数据集是30个；y

最后将30组原始实验值和预测数值代入公式计算MSE并绘制如下图4所示实验的真实综合评价值和预测综合评价值的对比图。

图4显示30组实际数据和预测数据的综合评价值都很接近，说明训练的数据拟合接近实际试验数据，再计算得MSE＝0.003014，说明模型训练、预测效果较好。

模型的条件寻优与结果预测：

基于BBD实验设计，结合实验实际可达条件，通过Matlab2014b软件针对4个因素进行梯度增设34组待预测数据集(超声时间、超声温度和超声功率三个因素的梯度为0.1，液料比因素的梯度为0.25)，再利用LS-SVM模型进行预测最优组合。最终得到提取的最优工艺条件是：温度68℃、超声时间47min、液料比为12:1、超声功率200W，此最优条件的预测综合评价值是1.1034。

实施例6：

验证试验：

按上述得到的提取最优工艺条件，按比例称取4份红花药材，每份25g，进行超声提取。测定HSYA和AHSYB的提取率，计算得到综合评价值，结果见表4。由表4可知，超声实验法的平均综合评价值为1.1025，预测值为1.1034，实验真实值与模型预测值的相对误差为0.08157％。上述验证试验显示误差在实验允许范围内，故LS-SVM模型优化红花提取工艺有一定价值，即本研究最佳的提取工艺条件是LS-SVM模型所给出的结果：温度68℃、超声时间47min、液料比为12:1、超声功率200W。

表4最佳工艺下的验证试验

综上，利用BBD实验设计和LS-SVM模型，对红花中HSYA和AHSYB两种有效成分的提取工艺进行优化，根据实际情况调整后得到的最佳提取条件为：温度68℃、超声时间47min、液料比为12:1、超声功率200W，预测综合评价值为1.1034，在此条件下的平均验证真实值为1.1025，相对误差为0.08157％，误差较小，表明该模型能够在一定程度上反映HSYA和AHSYB的提取条件。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。